HC(Histogram

HC(Histogram"/>

HC(Histogram

来源于: 2011, Global contrast based salient region detection, ChengSaliencyCVPR2011.pdf (mmcheng)

详见作者主页: Global contrast based salient region detection – 程明明个人主页 (mmcheng)t

 HC算法中图像目标显著性定义：

图像中像素的显著性值可以它和图像中其它像素的对比度来定义, 具体公式为:

其中, 为像素 的颜色, n为图像中所有颜色的总数,  为  在图像I中出现的概率, 为颜色在彩色空间Lab之间的距离.

对于每个像素，使用上述公式就可以计算其显著性, 从而可以得到图像中目标的显著性.

然而，上述公式存在一个问题: 对于三维颜色空间，例如RGB颜色空间, 8bit数据的颜色总数为 255ｘ２５５ｘ２５５=16581375, 计算量异常庞大，不适合实际应用.

算法加速优化

对于三维颜色空间来说，可以将颜色进行量化，进而减少计算量；如将颜色量化到12个不同的值(在RGB颜色空间量化), 这样颜色总数为 12x12x12=1728. 同时丢弃部分频率较小的颜色, 用相近的颜色代替(在Lab颜色空间计算距离).

最后, 为了提高效率，对量化后的图像直方图进行操作, 避免对整幅图像进行处理。

颜色空间平滑

为了达到更好的效果，可以进行一步平滑操作。

一些相似的颜色可能被数量化为不同的值。为了减少这类由于随机性给显著结果引入的噪声，采取一套平滑程序来改善每个颜色的显著值。用相似颜色的显著值加权平均来代替每个颜色（以Lab*距离测量）的显著值。选择m=n/4个最近的颜色作为代表来改善颜色c的显著值，如方程：

其中, 为颜色 c 和它最相似的 m 个颜色的距离之和.

算法步骤：

• 量化颜色通道。找出图像中一共有多少种颜色以及对应的像素总数。
• 按照像素总数从大到小排序，并同时记录相应颜色。
• 找出像素数目覆盖图像不小于95%的高频颜色，以及其他的不高于5%的颜色种类，假设高频颜色共有maxnum种。
• 把低频颜色的像素归类到与它lab颜色距离相距最近的高频颜色中。
• 在maxnum种颜色中，计算颜色i到所有其他颜色j的颜色距离。并按照距离从小到大排序，记录相应j的颜色种类。
• 计算每一种颜色的显著值。根据第5步，可以找到距离颜色i相距最近的m种颜色，从而可以计算每种颜色显著值，即最终的显著值。
• 为图像中每一个像素分配显著值。像素(i,j)是什么颜色，就赋予它相应颜色的显著值。
• 至此，显著图生成。进行归一化、线性空间滤波。

MATLAB算法

%读取图像
%orpic = imread(img_name);
clear all;
clc;
close all;
orpic = imread('test.jpg');
figure;imshow(orpic);
%获取图像的长、宽和通道值
[row ,column, nn] = size(orpic);
%生成调色板pallet(color,number),默认调色板大小为图像大小
pallet = zeros(row*column,2);
%设置阶梯值，为了将rgb量化后的结果化成一个12进制的数
w = [12*12,12,1];%RGB通道各自的权重，这里的权重不能设置为一样的，这是为了保证不一样的rgb组合得到的值不同
idx = uint32(1);%调色板像数值个数
SUM = uint32(0);%量化和
RGBSUM = zeros(row,column);%原图像为三维彩图，将RGB通道加权后每个像素的值
for i = 1 : rowfor j = 1 : column%获取第i行第j列的R、G、B通道的值，并量化为12阶后再转化为一个数a1 = floor((double(orpic(i,j,1))/255)*(12-0.0001))*w(3);a2 = floor((double(orpic(i,j,2))/255)*(12-0.0001))*w(2);a3 = floor((double(orpic(i,j,3))/255)*(12-0.0001))*w(1);SUM = int32(a1) + int32(a2) + int32(a3);
%        SUM = 3* int32(a1);RGBSUM(i,j) = SUM;%对于每个像数值，将其归类到调色板中，先在已经归类的pallet中查找，如果遍历完毕发现未归类，则将索引+1并归类%找出处理后的数据有多少种颜色值，以及其频数if idx == 1pallet(idx,1) = SUM;pallet(idx,2) = pallet(idx,2) + 1;idx = idx + 1;continue;endflag = 0;for m = 1 : idx-1if pallet(m,1) == SUMpallet(m,2) = pallet(m,2) + 1;flag = 1;break;endendif flag == 0 pallet(idx,1) = SUM;pallet(idx,2) = pallet(idx,2) + 1;idx = idx + 1;endend
end
%获取图中所有的颜色值
idx = idx -1;
pallet = pallet(1:idx,:);%调色板截断，保留真实调色个数%生成新的调色板num(number,color)，使得颜色按照频数从大到小排列，且一号位为频数大小，二号位为处理后的颜色值
palletemp = pallet(:,2);
[b,pos] = sort(palletemp,'descend');
num = zeros(idx,2);
for i = 1 : idxnum(i,1) = b(i);num(i,2) = pallet(pos(i),1);
end%计算如果要保留95%的处理后的颜色值，需要保留调色板的多少位
maxnum = idx;
maxdropnum = floor(row*column*(1-0.95));
crnt = num(maxnum,1);
while(crnt<maxdropnum && maxnum>1)crnt = crnt + num(maxnum-1,1);maxnum = maxnum - 1;
end
%保证保留的颜色值个数小于256且尽量不太小
maxnum = min(maxnum,256);
if maxnum < 10maxnum = min(idx,100);
end%将处理后的颜色值转化回RGB对应的值，此处会有+-1的误差，影响不大color3i = zeros(idx,3);for i = 1:idxcolor3i(i,1) = round(num(i,2)/w(1));color3i(i,2) = round(mod(num(i,2),w(1))/w(2));color3i(i,3) = round(mod(num(i,2),w(2)));end%建立色板pallet(number,color,pos)，其中pos为保留颜色的序号
a = zeros(idx,1);
pallet = [num,a];
for i = 1:maxnumpallet(i,3) = i;
end    %将舍弃的颜色归到其最相近的颜色当中
for i = (maxnum+1):idxsimidx = 99999999;simval = 99999999;for j  = 1:maxnumd_ij = round((color3i(i,1)-color3i(j,1))^2 + (color3i(i,2)-color3i(j,2))^2 + (color3i(i,3)-color3i(j,3))^2);if d_ij < simvalsimval = d_ij;simidx = j;endendpallet(simidx,1) = pallet(simidx,1) + pallet(i,1);pallet(i,3) = simidx;
end%将图像中属于某一“颜色值”的所有颜色的rgb值累加之后求平均再归一，即调整保留下来颜色值rgbcolor = zeros(idx,4);for n =1:idxfor i = 1:rowfor j = 1:columnif RGBSUM(i,j) == pallet(n,2)rgbcolor(n,1) = int32(rgbcolor(n,1)) + int32(orpic(i,j,1));rgbcolor(n,2) = int32(rgbcolor(n,2)) + int32(orpic(i,j,2));rgbcolor(n,3) = int32(rgbcolor(n,3)) + int32(orpic(i,j,3));rgbcolor(n,4) = double(pallet(n,3));endendendend
for i = 1:maxnumfor j = (maxnum+1):idxif rgbcolor(j,4) == irgbcolor(i,1) = (rgbcolor(i,1) + rgbcolor(j,1));rgbcolor(i,2) = (rgbcolor(i,2) + rgbcolor(j,2));rgbcolor(i,3) = (rgbcolor(i,3) + rgbcolor(j,3));endendrgbcolor(i,1) = (rgbcolor(i,1)/pallet(i,1))/255;rgbcolor(i,2) = (rgbcolor(i,2)/pallet(i,1))/255;rgbcolor(i,3) = (rgbcolor(i,3)/pallet(i,1))/255;
end%将颜色格式由RGB转为Lab
labcolor = zeros(maxnum,3);
for i = 1:maxnuma = zeros(1,1,3);a(1,1,1) = rgbcolor(i,1);a(1,1,2) = rgbcolor(i,2);a(1,1,3) = rgbcolor(i,3);b = rgb2lab(a);labcolor(i,1) = b(1,1,1);labcolor(i,2) = b(1,1,2);labcolor(i,3) = b(1,1,3);
end%存放颜色i与颜色j在Lab空间上的距离
distemp = zeros(maxnum,maxnum,2);
%每行将颜色j与颜色i的在Lab空间上的距离按从小到大排列
dist = zeros(maxnum,maxnum,2);
%存放平滑前的颜色显著值
colorsaltemp = zeros(maxnum,2);
for i = 1:maxnumfor j = 1:maxnum%计算颜色i与颜色j在Lab空间上的距离distemp(i,j,1) = norm(labcolor(i,:)-labcolor(j,:),2);distemp(i,j,2) = j;endfor k = 1:maxnumif k == icontinue;end%颜色i在平滑之前的颜色显著值，为S(c)=ΣP(c)D(c,a)，a为其他的颜色colorsaltemp(i,1) = colorsaltemp(i,1) + (pallet(k,1)/(row*column))*distemp(i,k,1);colorsaltemp(i,2) = i;end[b,pos] = sort(distemp(i,:,1),'ascend');  for k = 1:maxnumdist(i,k,1) = b(k);dist(i,k,2) = distemp(i,pos(k),2);end
end%对各颜色进行平滑操作
colorsal = zeros(maxnum,2);
%计算权值时使用的颜色i与和其最邻近颜色的个数
n = double(round(maxnum/4));
%保存与颜色i在Lab空间上最相近的n=maxnum/4个点的距离的和
totaldist = zeros(maxnum,1);
for i = 1:maxnum%计算与颜色i在Lab空间上最相近的n=maxnum/4个点的距离的和for j = 2:ntotaldist(i,1) = totaldist(i,1) + dist(i,j,1);endvalcrnt = 0;for j = 1:nvalcrnt = valcrnt + colorsaltemp(dist(i,j,2),1)*(totaldist(i,1)-dist(i,j,1));endcolorsal(i,1) = valcrnt/((n-1)*totaldist(i,1));colorsal(i,2) = i;
end%保存原图像各像素的显著值
sal = zeros(row,column);
for i = 1:rowfor j = 1:columnfor n = 1:idxif RGBSUM(i,j) == pallet(n,2)sal(i,j) = colorsal(pallet(n,3),1);endendend
end
saliency = (sal - min(min(sal)))/(max(max(sal)) - min(min(sal)));
A=fspecial('gaussian',[3,3],0.5);  
saliency=imfilter(saliency,A,'replicate');
%显示显著性图
subplot(1,2,1),imshow(saliency); 
subplot(1,2,2),imshow(sal,[]);

跟多资料请移步公众号：LonaXiao学长

参考链接：

【手撕算法】HC显著性检测算法_hc算法_qq_43667130的博客-CSDN博客

HC(Histogram-based Contrast) 基于直方图对比度的显著性 - 知乎

部分理论引用网络文献，若有侵权联系博主删除。